Redis
2021-11-12 11:27:58 0 举报AI智能生成
登录查看完整内容
针对于Java体系中，Redis的常见使用方式
作者其他创作
大纲/内容
网络IO和键值对的读写是单线程
利用Epoll机制实现IO多路复用，将连接信息和事件放到队列中，再依次放到文件事件分派器，事件分配器发送给事件处理器
redis性能为什么可以这么高？
因Master和Slave失去联系导致重新选举，会出现多个Master；此时会将其中一个Master变成Slave，该Master在这段时间所持有的数据则会进行丢失
利用配置，至少保证有一个节点同步完成数据后才算成功
解决方案
脑裂问题？
1.某个线程更新db与缓存间存在延迟，导致另外一个线程已经将数据同步完成，则导致缓存脏数据
问题
适合于读多写少，以免频繁更新缓存
场景
先更新数据库，再更新缓存(双写不一致)-不推荐
1.某个线程删除和更新数据库之间存在延迟，导致另外一个线程将脏数据写入缓存中
也就是更新数据库后，延迟一段时间，再删除缓存一次
其实这种情况也百分百做不到，和延迟时间有关系，并且延迟时间不好把握
说明
延迟双删策略
优化
适合读写适中的场景
先删缓存，再更新数据库
某个线程更新数据库，再删除缓存；但是另外线程先读取旧数据，然后重新写入缓存，问题依旧存在
适合写多读少的场景
先更新数据库，再删除缓存(读写不一致)
不在业务层面人为解决同步问题，只在中间件解决，db和缓存最终一致的问题
引入同步中间件Canal
强一致性下，不考虑缓存，使用缓存，就是为了应对读多写少的场景
如果是自身的数据，没必要保证db和数据库一致性即可，采用哪种策略都可以，只要设置好缓存失效时间即可
自身
数据库和db保持一致性，前提是多线程修改全局数据，也就是有的线程修改，有得查询；
全局
数据
其实或多或少都存在问题，关键看你们的业务适合哪一个，大致就是以上的场景设置，挨个套用下看看
个人思考
数据一致性如何保障(db和内存)？
单个key击穿
多级缓存
不同失效时间
方案
击穿
大量不存在的key
布隆过滤器
缓存空对象
穿透
大量的key失效
由于缓存失效，导致Db失效的问题
雪崩
热点缓存Key重建
缓存问题？
SetNx
分布式锁
Incr自增
计数器
IncrBy
分布式系统全局序列号
字符串
value=对象属性信息
对象缓存
存储用户购买商品
存储商品数量
增加商品数量
购物车
Redis集群
比String更节省内存
不适用场景
Hash
当做一个队列来使用，进行消息的读取
微博和微信公众号消息
List
选中后删除
选中后不删除
微信公众号抽奖
点赞、取消点赞
获取点赞人数
检查是否点赞过
点赞
利用集合操作的特性
微博微信关注模型
搜索商品
Set
排行榜->利用分值特性
Sorted Set
数据结构
N 秒内数据集至少有 M 个改动
触发条件
Save
fork子线程，将内存数据库中的数据同步到dump.rdb的文件中
写时复制机制
BgSave
指令
dump.rdb
RDB
appendonly.aof
修改的每一条指令记录进文件appendonly.aof中(先写入os cache，每隔一段时间fsync到磁盘)
appendfsync always：每次有新命令追加到 AOF 文件时就执行一次 fsync ，非常慢，也非常安全。
appendfsync everysec：每秒 fsync 一次，足够快，并且在故障时只会丢失 1 秒钟的数据。-推荐
appendfsync no：从不 fsync ，将数据交给操作系统来处理。更快，也更不安全的选择。
策略
导致文件中记录太多无效的指令
auto‐aof‐rewrite‐min‐size 64mb //aof文件至少要达到64M才会自动重写，文件太小恢复速度本来就很快，重写的意义不大
auto‐aof‐rewrite‐percentage 100 //aof文件自上一次重写后文件大小增长了100%则再次触发重写
执行命令bgrewriteaof重写AOF；类似于RDB中的bgSave指令
手动的方式
AOF重写
AOF
1.重写这一刻之前的内存做RDB快照处理
2.将RDB快照内容和增量的AOF修改内存数据的命令存在一起
以上操作过程产生的文件并不直接叫做apponly.aof，完成重写后，会直接覆盖原有的文件
注意
混合持久化
持久化
客户端可以一次性发送多个请求而不用等待服务器的响应，待所有命令都发送完后再一次性读取服务的响应
管道中前面命令失败，后面命令不会有影响，继续执行
特点
管道操作
原先5次请求的逻辑放在redis服务器上完成。使用脚本，减少了网络往返时延
原子性的
Lua脚本操作
延伸
读写的时候发现过期了才触发删除策略
被动
定时主动删除过期的键
主动
主动和被动哪种方式好呢
时间为单位
最近最少使用
LRU
次数单位
最不经常使用
LFU
随机
按照过期时间先后顺序
带过期时间
不带过期时间
redis4.0之前有六种
拒绝策略，可读不可写
Redis4.0之后增加两种
内存超出预设值-MaxMemory，触发淘汰策略
过期键策略
1.现在可以配置多线程模型，此模型读、解析还是由主线程完成，但是写入操作可以由其它线程完成
多线程可以读、解析，但是统一经过command excute来执行，再多线程写入
2.也可以配置IO线程执行读写任务
1.原来读、解析、写都是由单个线程按顺序依次执行
redis 6 提供了服务端追踪key的变化，客户端缓存数据的特性
2.client side caching(客户端缓存)
Redis6.0新特性
首次发送rdb文件，进行同步
如果在同步过程中，有写的数据，则后续主节点将该指令直接发送到从节点的缓冲中
全量同步
master会在其内存中创建一个复制数据用的缓存队列，缓存最近一段时间的数据，master和它所有的slave都维护了复制的数据下标offset和master的进程id
增量同步
主节点挂掉后，人为修改从节点为主节点，并且修改IP等一系列操作
无法保证主写，从读的操作，需要人为指定
主从架构
主节点挂掉后，哨兵帮助切换
保证主写，读从
优点
只有一个主节点对外提供服务，没法支持很高的并发
且单个主节点内存也不宜设置得过大，否则会导致持久化文件过大，影响数据恢复或主从同步的效率
哨兵架构
读和写走主节点，从节点用来备份
HASH_SLOT = CRC16(key) mod 16384
槽位定位算法
也就是每个节点的内部信息
存储元数据
集中式
ping
pong
meet
fail
gossip
分类
通信机制
假如某个Node的Master节点挂了后，经过一定时间的延迟后，该Master对应的Slave节点发起投票机制，告知所有的其它节点
其它Node对应的Master节点进行回应，该Slave节点获得的投票树最多的成为新的主节点
假如挂掉Master中的Slave节点获得的票数持平，则会重新发起选举，几率及比较小，原因如下
因为Slave经过一定时间延迟后才会发起投票，该时间会根据当前持有的最新数据来进行计算
特殊情况
选举机制
Cluster架构
架构
Redis
0 条评论
回复 删除
下一页
